Totally Concave Regression
全凹回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用形状约束回归，未提供足以对应所列微观、宏观或金融细分方向的具体依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
全凹回归
- 研究问题
- 如何在多变量非参数回归中保留协变量交互，同时缓解高维过拟合，并避免加性模型限制过强的问题？
- 方法与思路
- 作者以全凹性作为多变量形状约束，刻画并计算相应的最小二乘估计量，结合理论分析与真实数据研究评价方法。
- 材料陈述的贡献
- 摘要称该方法允许交互，并获得对协变量数量仅呈对数依赖的收敛速率，同时提供估计量的理论保证与应用展示。
- 阅读关注点
- 应核对全凹性的正式定义、允许的交互结构、收敛速率的其他依赖因素，以及最小二乘估计的计算实现与比较设计。
- 阅读边界
- 仅据所给 OpenAlex 摘要，不推断刊本变化；摘要未说明具体函数类、正则条件及实证比较细节，无法判断优势的适用范围。
原文摘要
Shape constraints in nonparametric regression provide a powerful framework for estimating regression functions under realistic assumptions without tuning parameters. However, most existing methods—except additive models—impose too weak restrictions, often leading to overfitting in high dimensions. Conversely, additive models can be too rigid, failing to capture covariate interactions. This paper introduces a novel multivariate shape-constrained regression approach based on total concavity, originally studied by T. Popoviciu. Our method allows interactions while mitigating the curse of dimensionality, with convergence rates that depend only logarithmically on the number of covariates. We characterize and compute the least squares estimator over totally concave functions, derive theoretical guarantees, and demonstrate its practical effectiveness through empirical studies on real-world datasets.